Ingreso MMPP

Column

MMPP

Ingreso materia prima Manuelita
Tipo Propiedad Enero Ton % Febrero Ton % Marzo Ton % Abril Ton % Mayo Ton % Junio Ton % Julio Ton % Total Ton % Promedio Ton %
MP Bruta MPB Propia 1,812 59 2,083 68 3,114 82 1,964 61 2,117 63 1,591 57 380 79 13,062 67 1,866 67
MPB Terceros 1,261 41 997 32 685 18 1,253 39 1,238 37 1,196 43 102 21 6,732 33 962 33
Total 3,074 100 3,080 100 3,799 100 3,217 100 3,355 100 2,787 100 483 100 19,794 100 2,828 100
MP Neta MPN Propia 1,620 59 1,897 68 2,781 82 1,727 61 1,797 64 1,348 57 333 79 11,502 67 1,643 67
MPN Terceros 1,123 41 885 32 618 18 1,084 39 1,016 36 1,022 43 88 21 5,837 33 834 33
Total 2,743 100 2,782 100 3,399 100 2,811 100 2,813 100 2,370 100 421 100 17,339 100 2,477 100
General Total 5,817 200 5,862 200 7,198 200 6,028 200 6,168 200 5,157 200 904 200 37,133 200 5,305 200
Ingreso materia prima - Todas las industrias
Tipo Propiedad Enero Ton % Febrero Ton % Marzo Ton % Abril Ton % Mayo Ton % Junio Ton % Julio Ton % Agosto Ton % Septiembre Ton % Total Ton % Promedio Ton %
MP Bruta MPB Propia 14,590 53 17,519 60 18,839 65 13,147 58 17,059 63 13,634 54 9,032 42 4,707 29 46 1,426 52 109,954 12,217 52
MPB Terceros 12,943 47 11,613 40 11,740 35 11,199 42 11,812 37 13,690 46 14,830 58 11,770 71 54 1,648 48 101,245 11,249 48
Total 27,533 100 29,132 100 30,578 100 24,346 100 28,871 100 27,325 100 23,862 100 16,477 100 100 3,074 100 211,199 23,466 100
MP Neta MPN Propia 12,723 54 14,531 60 18,829 65 13,876 59 18,182 64 14,770 56 10,870 46 4,052 29 46 1,214 53 109,049 12,117 53
MPN Terceros 10,977 46 9,822 40 10,188 35 9,677 41 10,223 36 11,561 44 12,568 54 9,815 71 54 1,398 47 86,229 9,581 47
Total 23,700 100 24,353 100 29,017 100 23,554 100 28,405 100 26,331 100 23,438 100 13,867 100 100 2,612 100 195,278 21,698 100
General Total 51,234 200 53,485 200 59,596 200 47,900 200 57,276 200 53,655 200 47,300 200 30,344 200 200 5,686 200 406,477 45,164 200
Ingreso materia prima - Otras Industrias
Tipo Propiedad Enero Ton % Febrero Ton % Marzo Ton % Abril Ton % Mayo Ton % Junio Ton % Julio Ton % Agosto Ton % Septiembre Ton % Total Ton % Promedio Ton %
MP Bruta MPB Propia 12,778 52 15,436 59 15,725 59 13,147 54 15,095 59 11,517 48 9,032 38 3,116 23 40 1,046 48 96,891 10,766 48
MPB Terceros 11,682 48 10,616 41 11,055 41 11,199 46 10,559 41 12,452 52 14,830 62 10,574 77 60 1,545 52 94,513 10,501 52
Total 24,460 100 26,052 100 26,780 100 24,346 100 25,654 100 23,970 100 23,862 100 13,690 100 100 2,591 100 191,404 21,267 100
MP Neta MPN Propia 11,103 53 12,635 59 16,049 63 13,876 59 16,455 64 12,973 55 10,870 46 2,704 24 40 881 51 97,547 10,839 51
MPN Terceros 9,854 47 8,936 41 9,570 37 9,677 41 9,139 36 10,544 45 12,568 54 8,793 76 60 1,310 49 80,391 8,932 49
Total 20,957 100 21,571 100 25,619 100 23,554 100 25,594 100 23,518 100 23,438 100 11,497 100 100 2,191 100 177,938 19,771 100
General Total 45,416 200 47,623 200 52,398 200 47,900 200 51,248 200 47,487 200 47,300 200 25,186 200 200 4,783 200 369,342 41,038 200

Detalle Materia Prima

Acumulado año actual

Detalle materia primas
Industria
Empresa
Otras Industrias
Propietario Indicadores Total Promedio Total Promedio Total Promedio
Materia Prima Propia Ingreso Materia Prima Bruta 109,953.6 2,036.2 13,062.2 1866.02 96,891.4 2061.52
Ingreso Materia Prima Neta 109,048.8 1,848.3 11,502.2 1643.17 97,546.6 1875.9
Unidades por kilo 72.6 64.0 72.6 75.75 72.6 62.52
% Rechazo mmpp 0.8 0.0 11.9 -0.7
% MP Bruta Propia sobre Total MP Bruta 52.1 0.0 66.0 50.6
Materia Prima Terceros Ingreso Materia Prima Bruta 101,244.8 1,716.0 6,732.2 961.75 94,512.6 1817.55
Ingreso Materia Prima Neta 86,228.6 1,461.5 5,837.3 833.9 80,391.2 1545.99
Unidades por kilo 61.1 59.6 61.2 52.51 61.2 60.66
% Rechazo mmpp 14.8 0.0 13.3 14.9
% MP Bruta Propia sobre Total MP Bruta 47.9 0.0 34.0 49.4
Total Materia Prima Ingreso Materia Prima Bruta 211,198.4 3,352.3 19,794.4 2827.77 191,404.0 3544.52
Ingreso Materia Prima Neta 195,277.3 3,099.6 17,339.5 2477.07 177,937.8 3295.14
% Rechazo mmpp 7.5 0.0 12.4 7.0
Detalle materia primas - Mes actual
Industria
Empresa
Otras Industrias
Propietario Indicadores Total Promedio Total Promedio Total Promedio
Materia Prima Propia Ingreso Materia Prima Bruta 1,426.2 285.25 380.4 380.36 1,045.9 261.47
Ingreso Materia Prima Neta 1,214.2 242.84 332.8 332.8 881.4 220.35
Unidades por kilo 72.6 62.69 72.6 66.06 72.6 61
% Rechazo mmpp 14.9 12.5 15.7
% MP Bruta Propia sobre Total MP Bruta 46.4 78.8 40.4
Materia Prima Terceros Ingreso Materia Prima Bruta 1,647.7 329.53 102.4 102.4 1,545.3 386.32
Ingreso Materia Prima Neta 1,398.0 279.6 88.0 88.01 1,310.0 327.5
Unidades por kilo 61.2 52.1 61.1 41.39 61.2 55.67
% Rechazo mmpp 15.2 14.1 15.2
% MP Bruta Propia sobre Total MP Bruta 53.6 21.2 59.6
Total Materia Prima Ingreso Materia Prima Bruta 3,073.9 614.78 482.8 482.76 2,591.1 647.79
Ingreso Materia Prima Neta 2,612.2 522.45 420.8 420.81 2,191.4 547.86
% Rechazo mmpp 15.0 12.8 15.4

Materia prima por origen

Materia prima bruta por origen

Rechazo

Dotación

Productos

---
title: "DataMussel"
author: 
output: 
  flexdashboard::flex_dashboard:
    vertical_layout: scroll
    orientation: columns
    social: menu
    source_code: embed
---

```{r setup, include=FALSE}
library(dplyr)
library(flexdashboard)
library(reticulate)
library(kableExtra)
library(magrittr)
library(dplyr)
use_condaenv("r-reticulate")

```



Ingreso MMPP
=======================================================================

Column {.tabset}
-----------------------------------------------------------------------

### MMPP

```{python, echo=FALSE, include=FALSE, message=FALSE, warning=FALSE}
import pandas as pd
import seaborn as sns
import numpy as np


ingresos_mmpp = pd.read_csv("/Users/erossel/Dropbox/Salmon Derivates/Datamussel/Data mensual y semanal/Procesamiento/Procesos_Ingresos_2021.csv")

#Parametros
empresa = 'Manuelita'
mes = 9

# Kilos a toneladas
ingresos_mmpp['Valor'] = [ingresos_mmpp.Valor.iloc[i]/1000 if ingresos_mmpp['Unidad de medida'].iloc[i] == 'Kilos' else ingresos_mmpp.Valor.iloc[i]  for i in ingresos_mmpp.index]
ingresos_mmpp['Unidad de medida'] = ingresos_mmpp['Unidad de medida'].apply(lambda u: 'Ton' if u == 'Kilos' else u)

# Agrupación indicadores

dict_indicadores_tipo = {
    'Ingreso Materia Bruta Prima Propia':'MP Bruta',
    'Ingreso Materia Prima Neta o Pagada Propia':'MP Neta',
    'Unidades por kilo mmpp propia*': "No aplica",
    'Ingreso Materia Prima Bruta Terceros':'MP Bruta',
    'Ingreso Materia Prima Neta o Pagada Terceros':'MP Neta',
    'Unidades por kilo mmpp terceros*': "No aplica", 
    'Ingreso Materia Prima Propia':'MP Bruta',
    'Ingreso Materia Prima Neta Propia':'MP Neta',
    'Ingreso Materia Prima Terceros':'MP Bruta',
    'Ingreso Materia Prima Neta Terceros':'MP Neta',
    'Ingreso Materia Prima Bruta Propia':'MP Bruta'
}

ingresos_mmpp['Tipo'] = ingresos_mmpp.Indicador.apply(lambda i: dict_indicadores_tipo[i])

dict_indicadores_propiedad = {
    'Ingreso Materia Bruta Prima Propia':'MPB Propia',
    'Ingreso Materia Prima Neta o Pagada Propia':'MPN Propia',
    'Unidades por kilo mmpp propia*': "No aplica",
    'Ingreso Materia Prima Bruta Terceros':'MPB Terceros',
    'Ingreso Materia Prima Neta o Pagada Terceros':'MPN Terceros',
    'Unidades por kilo mmpp terceros*': "No aplica", 
    'Ingreso Materia Prima Propia':'MPB Propia',
    'Ingreso Materia Prima Neta Propia':'MPN Propia',
    'Ingreso Materia Prima Terceros':'MPB Terceros',
    'Ingreso Materia Prima Neta Terceros':'MPN Terceros',
    'Ingreso Materia Prima Bruta Propia':'MPB Propia'
}

ingresos_mmpp['Propiedad'] = ingresos_mmpp.Indicador.apply(lambda i: dict_indicadores_propiedad[i])

dict_meses = {
    1:'Enero',
    2:'Febrero',
    3:'Marzo',
    4:'Abril',
    5:'Mayo',
    6:'Junio',
    7:'Julio',
    8:'Agosto',
    9:'Septiembre',
    10:'Octubre',
    11:'Noviembre',
    12:'Diciembre'
}

pv = ingresos_mmpp[ingresos_mmpp.Empresa == empresa].pivot_table(index=['Tipo','Propiedad'], columns='Mes', values='Valor', aggfunc=sum)
pv = pv[pv.index.get_level_values('Tipo').isin(['MP Bruta', 'MP Neta'])]
total = pv.sum(axis=1).round(0)
average = pv.mean(axis=1).round(0)
pv[13] = total.copy()
pv[14] = average.copy()

pv2 = ingresos_mmpp[ingresos_mmpp.Empresa == empresa].pivot_table(index=['Tipo','Propiedad'], columns='Mes', values='Valor')
pv2 = pv2.groupby(level=0).transform(lambda x: (x / x.sum()).round(2))*100
pv2 = pv2[pv2.index.get_level_values('Tipo').isin(['MP Bruta', 'MP Neta'])]
total2 = pv2.mean(axis=1).round(0)
average2 = pv2.mean(axis=1).round(0)
pv2[13] = total2
pv2[14] = average2

largo = len(pv2.columns)
new_index = []
for i in range(1, largo+1):
    if i == largo - 1:
        new_index.append(('Total','Ton'))
        new_index.append(('Total','%'))
    elif i == largo:
        new_index.append(('Promedio','Ton'))
        new_index.append(('Promedio','%'))
    else: 
        new_index.append((dict_meses[i],'Ton'))
        new_index.append((dict_meses[i],'%'))

pv3 = pd.concat([pv, pv2], axis=1).sort_index(level=0,axis=1)
pv3.columns = pd.MultiIndex.from_tuples(new_index)

pv_empresa = pd.concat([
    d.append(d.sum().rename((k, 'Total')))
    for k, d in pv3.groupby(level=0)
]).append(pv3.sum().rename(('General', 'Total'))).round()

largo = len(pv_empresa.columns)
for i in range(1,largo+1,2):
    if pv_empresa.iloc[0,i]+pv_empresa.iloc[1,i] != 100:
        pv_empresa.iloc[:,[i-1, i]] = pv_empresa.iloc[:,[i,i-1]].copy() 
  
pv_empresa = pv_empresa.reset_index(level=None, drop=False)
pv_empresa.Tipo = ["" if pv_empresa.Tipo.iloc[i] == pv_empresa.Tipo.iloc[i-1] else pv_empresa.Tipo.iloc[i] for i in range(len(pv_empresa.Tipo))]
      
```

```{r, echo=FALSE, message=FALSE, warning=FALSE}
tabla <- py$pv_empresa

cols <- ncol(tabla)

tabla %>% kbl(caption= paste("Ingreso materia prima ",py$empresa), digits=1, format.args=list(big.mark = ',')) %>%
  kable_paper(bootstrap_options = "striped", full_width = F, position='left',font_size = 12) %>% 
  column_spec(1, bold = T, border_right = T, border_left = T) %>%
  column_spec(2, bold = T, border_right = T) %>% 
  column_spec(cols-4, border_right = T) %>% 
  column_spec(cols-3, bold = T) %>%
  column_spec(cols-2, bold = T, border_right = T) %>% 
  column_spec(cols-1, bold = T) %>%
  column_spec(cols, bold = T, border_right = T) %>% 
  row_spec(0, bold = T, color = "white", background = "#092A30" ) %>% 
  row_spec(3, bold = T, extra_css = "border-bottom: 1px solid") %>% 
  row_spec(6, bold = T, extra_css = "border-bottom: 1px solid") %>% 
  row_spec(7, bold = T, extra_css = "border-bottom: 1px solid")

```

```{python, echo=FALSE, include=FALSE, message=FALSE, warning=FALSE}
pv = ingresos_mmpp.pivot_table(index=['Tipo','Propiedad'], columns='Mes', values='Valor', aggfunc=sum)
pv = pv[pv.index.get_level_values('Tipo').isin(['MP Bruta', 'MP Neta'])]
total = pv.sum(axis=1).round(0)
average = pv.mean(axis=1).round(0)
pv[13] = total.copy()
pv[14] = average.copy()

pv2 = ingresos_mmpp.pivot_table(index=['Tipo','Propiedad'], columns='Mes', values='Valor')
pv2 = pv2.groupby(level=0).transform(lambda x: (x / x.sum()).round(2))*100
pv2 = pv2[pv2.index.get_level_values('Tipo').isin(['MP Bruta', 'MP Neta'])]
total2 = pv2.mean(axis=1).round(0)
average2 = pv2.mean(axis=1).round(0)
pv2[13] = total2
pv2[14] = average2

largo = len(pv2.columns)
new_index = []
for i in range(1, largo+1):
    if i == largo - 1:
        new_index.append(('Total','Ton'))
        new_index.append(('Total','%'))
    elif i == largo:
        new_index.append(('Promedio','Ton'))
        new_index.append(('Promedio','%'))
    else: 
        new_index.append((dict_meses[i],'Ton'))
        new_index.append((dict_meses[i],'%'))

pv3 = pd.concat([pv, pv2], axis=1).sort_index(level=0,axis=1)
pv3.columns = pd.MultiIndex.from_tuples(new_index)

largo = len(pv_todas.columns)
for i in range(1,largo+1,2):
    if pv_todas.iloc[0,i]+pv_todas.iloc[1,i] != 100:
        pv_todas.iloc[:,[i-1, i]] = pv_todas.iloc[:,[i,i-1]].copy() 

pv_todas = pd.concat([
    d.append(d.sum().rename((k, 'Total')))
    for k, d in pv3.groupby(level=0)
]).append(pv3.sum().rename(('General', 'Total'))).round()

pv_todas = pv_todas.reset_index(level=None, drop=False)
pv_todas.Tipo = ["" if pv_todas.Tipo.iloc[i] == pv_todas.Tipo.iloc[i-1] else pv_todas.Tipo.iloc[i] for i in range(len(pv_todas.Tipo))]
      
pv_todas
```

```{r, echo=FALSE, message=FALSE, warning=FALSE}
tabla <- py$pv_todas

cols <- ncol(tabla)

tabla %>% kbl(caption= "Ingreso materia prima - Todas las industrias", digits=1, format.args=list(big.mark = ','))  %>%  
  kable_paper(bootstrap_options = "striped", full_width = F, position='left',font_size = 12) %>% 
  column_spec(1, bold = T, border_right = T, border_left = T) %>%
  column_spec(2, bold = T, border_right = T) %>% 
  column_spec(cols-4, border_right = T) %>% 
  column_spec(cols-3, bold = T) %>%
  column_spec(cols-2, bold = T, border_right = T) %>% 
  column_spec(cols-1, bold = T) %>%
  column_spec(cols, bold = T, border_right = T) %>% 
  row_spec(0, bold = T, color = "white", background = "#092A30" ) %>% 
  row_spec(3, bold = T, extra_css = "border-bottom: 1px solid") %>% 
  row_spec(6, bold = T, extra_css = "border-bottom: 1px solid") %>% 
  row_spec(7, bold = T, extra_css = "border-bottom: 1px solid")

```

```{python, echo=FALSE, include=FALSE, message=FALSE, warning=FALSE}
pv = ingresos_mmpp[ingresos_mmpp.Empresa != empresa].pivot_table(index=['Tipo','Propiedad'], columns='Mes', values='Valor', aggfunc=sum)
pv = pv[pv.index.get_level_values('Tipo').isin(['MP Bruta', 'MP Neta'])]
total = pv.sum(axis=1).round(0)
average = pv.mean(axis=1).round(0)
pv[13] = total.copy()
pv[14] = average.copy()

pv2 = ingresos_mmpp[ingresos_mmpp.Empresa != empresa].pivot_table(index=['Tipo','Propiedad'], columns='Mes', values='Valor', aggfunc=sum)
pv2 = pv2.groupby(level=0).transform(lambda x: (x / x.sum()).round(2))*100
pv2 = pv2[pv2.index.get_level_values('Tipo').isin(['MP Bruta', 'MP Neta'])]
total2 = pv2.mean(axis=1).round(0)
average2 = pv2.mean(axis=1).round(0)
pv2[13] = total2
pv2[14] = average2

largo = len(pv2.columns)
new_index = []
for i in range(1, largo+1):
    if i == largo - 1:
        new_index.append(('Total','Ton'))
        new_index.append(('Total','%'))
    elif i == largo:
        new_index.append(('Promedio','Ton'))
        new_index.append(('Promedio','%'))
    else: 
        new_index.append((dict_meses[i],'Ton'))
        new_index.append((dict_meses[i],'%'))

pv3 = pd.concat([pv, pv2], axis=1).sort_index(level=0,axis=1)
pv3.columns = pd.MultiIndex.from_tuples(new_index)
pv3

pv_otras = pd.concat([
    d.append(d.sum().rename((k, 'Total')))
    for k, d in pv3.groupby(level=0)
]).append(pv3.sum().rename(('General', 'Total'))).round()

largo = len(pv_otras.columns)
for i in range(1,largo+1,2):
    if pv_otras.iloc[0,i]+pv_otras.iloc[1,i] != 100:
        pv_otras.iloc[:,[i-1, i]] = pv_otras.iloc[:,[i,i-1]].copy() 

pv_otras = pv_otras.reset_index(level=None, drop=False)
pv_otras.Tipo = ["" if pv_otras.Tipo.iloc[i] == pv_otras.Tipo.iloc[i-1] else pv_otras.Tipo.iloc[i] for i in range(len(pv_otras.Tipo))]
      
```

```{r, echo=FALSE, message=FALSE, warning=FALSE}
tabla <- py$pv_otras

cols <- ncol(tabla)

tabla %>% 
  kbl(caption= "Ingreso materia prima - Otras Industrias",digits=1, format.args=list(big.mark = ','))  %>%
  kable_paper(bootstrap_options = "striped", full_width = F, position='left',font_size = 12) %>% 
  column_spec(1, bold = T, border_right = T, border_left = T) %>%
  column_spec(2, bold = T, border_right = T) %>% 
  column_spec(cols-4, border_right = T) %>% 
  column_spec(cols-3, bold = T) %>%
  column_spec(cols-2, bold = T, border_right = T) %>% 
  column_spec(cols-1, bold = T) %>%
  column_spec(cols, bold = T, border_right = T) %>% 
  row_spec(0, bold = T, color = "white", background = "#092A30" ) %>% 
  row_spec(3, bold = T, extra_css = "border-bottom: 1px solid") %>% 
  row_spec(6, bold = T, extra_css = "border-bottom: 1px solid") %>% 
  row_spec(7, bold = T, extra_css = "border-bottom: 1px solid")

```

### Detalle Materia Prima


 Acumulado año actual 


```{python, echo=FALSE, include=FALSE, message=FALSE, warning=FALSE}
# Acumulado año INDUSTRIA

dict_propiedad = {
 'Ingreso Materia Bruta Prima Propia':'Materia Prima Propia',
 'Ingreso Materia Prima Neta o Pagada Propia':'Materia Prima Propia',
 'Unidades por kilo mmpp propia*':'Materia Prima Propia',
 'Ingreso Materia Prima Bruta Terceros':'Materia Prima Terceros',
 'Ingreso Materia Prima Neta o Pagada Terceros':'Materia Prima Terceros',
 'Unidades por kilo mmpp terceros*':'Materia Prima Terceros',
 'Ingreso Materia Prima Propia':'Materia Prima Propia',
 'Ingreso Materia Prima Neta Propia':'Materia Prima Propia',
 'Ingreso Materia Prima Terceros':'Materia Prima Terceros',
 'Ingreso Materia Prima Neta Terceros':'Materia Prima Terceros',
 'Ingreso Materia Prima Bruta Propia':'Materia Prima Propia',
 '% Rechazo Materia Prima Propia':'Materia Prima Propia',
 '% Rechazo Materia Prima Terceros':'Materia Prima Terceros',
 '% Rechazo Materia Prima Total':'Total Materia Prima'
}

dict_indicadores_2 = {
 'Ingreso Materia Bruta Prima Propia':'Ingreso Materia Prima Bruta',
 'Ingreso Materia Prima Neta o Pagada Propia':'Ingreso Materia Prima Neta',
 'Unidades por kilo mmpp propia*':'Unidades por kilo',
 'Ingreso Materia Prima Bruta Terceros':'Ingreso Materia Prima Bruta',
 'Ingreso Materia Prima Neta o Pagada Terceros':'Ingreso Materia Prima Neta',
 'Unidades por kilo mmpp terceros*':'Unidades por kilo',
 'Ingreso Materia Prima Propia':'Ingreso Materia Prima Bruta',
 'Ingreso Materia Prima Neta Propia':'Ingreso Materia Prima Neta',
 'Ingreso Materia Prima Terceros':'Ingreso Materia Prima Bruta',
 'Ingreso Materia Prima Neta Terceros':'Ingreso Materia Prima Neta',
 'Ingreso Materia Prima Bruta Propia':'Ingreso Materia Prima Bruta',
 '% Rechazo Materia Prima Propia':'% Rechazo MMPP',
 '% Rechazo Materia Prima Terceros':'% Rechazo MMPP',
 '% Rechazo Materia Prima Total':'% Rechazo MMPP'
}

#Lectura datos y creacion nuevas columnas
df = ingresos_mmpp.copy()
df['Indicadores'] = [dict_indicadores_2[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]
df['Propietario'] = [dict_propiedad[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]

# Creacion columnas con Total Materia Prima
new_df = pd.DataFrame(columns = df.columns)
for e in df.Empresa.unique():
    for m in df.Mes.unique():
        new_row = {
            'Indicador':'Ingreso Materia Prima Bruta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Bruta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Bruta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)
        
        new_row = {
            'Indicador':'Ingreso Materia Prima Neta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Neta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Neta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)

df = df.append(new_df, ignore_index=True)
df = df.groupby(['Propietario','Indicadores']).Valor.agg(['sum', np.mean], axis='columns')
df = df.round(2)
df.columns = ['Total', 'Promedio']

# Promedio ponderado unidades por kilo
for i, j in df.index:
    df.loc[(i,'% Rechazo mmpp'), 'Total'] = (df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']-df.loc[(i,'Ingreso Materia Prima Neta'), 'Total'])*100/df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']
    if i != 'Total Materia Prima':
        df.loc[(i,'% MP Bruta Propia sobre Total MP Bruta'),'Total'] = df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']/df.loc[('Total Materia Prima','Ingreso Materia Prima Bruta'),'Total']*100
    if (i == 'Materia Prima Propia') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_propia = df3.loc[idx[:,:,'Materia Prima Propia'],:]
        uxk_propia = (df3_propia['Ingreso Materia Prima Neta']*df3_propia['Unidades por kilo']).sum()/df3_propia['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_propia    
        
    if (i == 'Materia Prima Terceros') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_terceros = df3.loc[idx[:,:,'Materia Prima Terceros'],:]
        uxk_terceros = (df3_terceros['Ingreso Materia Prima Neta']*df3_terceros['Unidades por kilo']).sum()/df3_terceros['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_terceros

df = df.round(2).sort_index(ascending = [True, False])

#Corregir orden de filas
try:
  df = df.loc[[('Materia Prima Propia', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Propia', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Propia', 'Unidades por kilo'),
 ('Materia Prima Propia', '% Rechazo mmpp'),
 ('Materia Prima Propia', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Terceros', 'Unidades por kilo'),
 ('Materia Prima Terceros', '% Rechazo mmpp'),
 ('Materia Prima Terceros', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Neta'),
 ('Total Materia Prima', '% Rechazo mmpp'),
 ],:].fillna(0)
except:
  df.fillna(0)
  
#Aplanar tabla para visualizar con R

df_industrias = df.copy()

df = df.reset_index(level=None, drop=False).fillna(0)
df.Propietario = ["" if df.Propietario.iloc[i] == df.Propietario.iloc[i-1] else df.Propietario.iloc[i] for i in range(len(df.Propietario))]

```

```{python, echo=FALSE, include=FALSE, message=FALSE, warning=FALSE}
idx = pd.IndexSlice
# Nuevas columnas
df = ingresos_mmpp[ingresos_mmpp.Empresa == empresa].copy()
df['Indicadores'] = [dict_indicadores_2[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]
df['Propietario'] = [dict_propiedad[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]

# Añadir nuevas columnas para el total
new_df = pd.DataFrame(columns = df.columns)

for e in df.Empresa.unique():
    for m in df.Mes.unique():
        new_row = {
            'Indicador':'Ingreso Materia Prima Bruta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Bruta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Bruta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)
        
        new_row = {
            'Indicador':'Ingreso Materia Prima Neta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Neta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Neta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)
        
df = df.append(new_df, ignore_index=True)
df = df.groupby(['Propietario','Indicadores']).Valor.agg(['sum', np.mean], axis='columns')
df = df.round(2)
df.columns = ['Total', 'Promedio']

# Promedio ponderado unidades por kilo
df2 = ingresos_mmpp[ingresos_mmpp.Empresa == empresa].copy()
df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')

df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)

df3_propia = df3.loc[idx[:,:,'Materia Prima Propia'],:]
uxk_propia = (df3_propia['Ingreso Materia Prima Neta']*df3_propia['Unidades por kilo']).sum()/df3_propia['Ingreso Materia Prima Neta'].sum()


df3_terceros = df3.loc[idx[:,:,'Materia Prima Terceros'],:]
uxk_terceros = (df3_terceros['Ingreso Materia Prima Neta']*df3_terceros['Unidades por kilo']).sum()/df3_terceros['Ingreso Materia Prima Neta'].sum()


#Cambios en Unidades por Kilo y %MP Bruta

for i, j in df.index:
    df.loc[(i,'% Rechazo mmpp'), 'Total'] = (df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']-df.loc[(i,'Ingreso Materia Prima Neta'), 'Total'])*100/df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']
    if i != 'Total Materia Prima':
        df.loc[(i,'% MP Bruta Propia sobre Total MP Bruta'),'Total'] = df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']/df.loc[('Total Materia Prima','Ingreso Materia Prima Bruta'),'Total']*100
    if (i == 'Materia Prima Propia') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_propia = df3.loc[idx[:,:,'Materia Prima Propia'],:]
        uxk_propia = (df3_propia['Ingreso Materia Prima Neta']*df3_propia['Unidades por kilo']).sum()/df3_propia['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_propia    
        
    if (i == 'Materia Prima Terceros') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_terceros = df3.loc[idx[:,:,'Materia Prima Terceros'],:]
        uxk_terceros = (df3_terceros['Ingreso Materia Prima Neta']*df3_terceros['Unidades por kilo']).sum()/df3_terceros['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_terceros

df.round(2).sort_index(ascending = [True, False])

try:
  df = df.loc[[('Materia Prima Propia', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Propia', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Propia', 'Unidades por kilo'),
 ('Materia Prima Propia', '% Rechazo mmpp'),
 ('Materia Prima Propia', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Terceros', 'Unidades por kilo'),
 ('Materia Prima Terceros', '% Rechazo mmpp'),
 ('Materia Prima Terceros', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Neta'),
 ('Total Materia Prima', '% Rechazo mmpp'),
 ],:].fillna("")

except:
  df.fillna(0)
  
df_empresa = df.copy()

df = df.reset_index(level=None, drop=False).fillna(0)
df.Propietario = ["" if df.Propietario.iloc[i] == df.Propietario.iloc[i-1] else df.Propietario.iloc[i] for i in range(len(df.Propietario))]


```

```{python, echo=FALSE, include=FALSE, message=FALSE, warning=FALSE}
# Detalle acumulado otras empresas
# Nuevas columnas
df = ingresos_mmpp[ingresos_mmpp.Empresa != empresa].copy()
df['Indicadores'] = [dict_indicadores_2[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]
df['Propietario'] = [dict_propiedad[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]

# Añadir nuevas columnas para el total
new_df = pd.DataFrame(columns = df.columns)

for e in df.Empresa.unique():
    for m in df.Mes.unique():
        new_row = {
            'Indicador':'Ingreso Materia Prima Bruta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Bruta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Bruta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)
        
        new_row = {
            'Indicador':'Ingreso Materia Prima Neta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Neta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Neta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)
        
df = df.append(new_df, ignore_index=True)
df = df.groupby(['Propietario','Indicadores']).Valor.agg(['sum', np.mean], axis='columns')
df = df.round(2)
df.columns = ['Total', 'Promedio']

# Promedio ponderado unidades por kilo
df2 = ingresos_mmpp[ingresos_mmpp.Empresa != empresa].copy()
df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')

df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)

df3_propia = df3.loc[idx[:,:,'Materia Prima Propia'],:]
uxk_propia = (df3_propia['Ingreso Materia Prima Neta']*df3_propia['Unidades por kilo']).sum()/df3_propia['Ingreso Materia Prima Neta'].sum()


df3_terceros = df3.loc[idx[:,:,'Materia Prima Terceros'],:]
uxk_terceros = (df3_terceros['Ingreso Materia Prima Neta']*df3_terceros['Unidades por kilo']).sum()/df3_terceros['Ingreso Materia Prima Neta'].sum()


#Cambios en Unidades por Kilo y %MP Bruta

for i, j in df.index:
    df.loc[(i,'% Rechazo mmpp'), 'Total'] = (df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']-df.loc[(i,'Ingreso Materia Prima Neta'), 'Total'])*100/df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']
    if i != 'Total Materia Prima':
        df.loc[(i,'% MP Bruta Propia sobre Total MP Bruta'),'Total'] = df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']/df.loc[('Total Materia Prima','Ingreso Materia Prima Bruta'),'Total']*100
    if (i == 'Materia Prima Propia') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_propia = df3.loc[idx[:,:,'Materia Prima Propia'],:]
        uxk_propia = (df3_propia['Ingreso Materia Prima Neta']*df3_propia['Unidades por kilo']).sum()/df3_propia['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_propia    
        
    if (i == 'Materia Prima Terceros') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_terceros = df3.loc[idx[:,:,'Materia Prima Terceros'],:]
        uxk_terceros = (df3_terceros['Ingreso Materia Prima Neta']*df3_terceros['Unidades por kilo']).sum()/df3_terceros['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_terceros

df.round(2).sort_index(ascending = [True, False])

try:
  df = df.loc[[('Materia Prima Propia', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Propia', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Propia', 'Unidades por kilo'),
 ('Materia Prima Propia', '% Rechazo mmpp'),
 ('Materia Prima Propia', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Terceros', 'Unidades por kilo'),
 ('Materia Prima Terceros', '% Rechazo mmpp'),
 ('Materia Prima Terceros', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Neta'),
 ('Total Materia Prima', '% Rechazo mmpp'),
 ],:].fillna("")
except:
  df.fillna("")

df.round(2)

df_otras = df.copy()

df = df.reset_index(level=None, drop=False).fillna(0)
df.Propietario = ["" if df.Propietario.iloc[i] == df.Propietario.iloc[i-1] else df.Propietario.iloc[i] for i in range(len(df.Propietario))]

```

```{python, echo=FALSE, include=FALSE, message=FALSE, warning=FALSE}
df_all = df_industrias.merge(df_empresa, how='outer', on=['Propietario','Indicadores'])
df_all = df_all.merge(df_otras, how='outer',on=['Propietario','Indicadores'])
df_all.sort_index(ascending = [True, False])

try:
  df_all = df_all.loc[[('Materia Prima Propia', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Propia', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Propia', 'Unidades por kilo'),
 ('Materia Prima Propia', '% Rechazo mmpp'),
 ('Materia Prima Propia', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Terceros', 'Unidades por kilo'),
 ('Materia Prima Terceros', '% Rechazo mmpp'),
 ('Materia Prima Terceros', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Neta'),
 ('Total Materia Prima', '% Rechazo mmpp'),
 ],:].fillna("")
except:
  df_all.fillna(0)
  
  
df_all = df_all.reset_index(level=None, drop=False).fillna(0)
df_all.Propietario = ["" if df_all.Propietario.iloc[i] == df_all.Propietario.iloc[i-1] else df_all.Propietario.iloc[i] for i in range(len(df_all.Propietario))]

```

```{r, echo=FALSE, message=FALSE, warning=FALSE}
tabla_all <- py$df_all

rows <- nrow(tabla_all)
cols <- ncol(tabla_all)
tabla_all %>% 
  kbl(caption= "Detalle materia primas",digits=1, format.args=list(big.mark = ','),col.names = c('Propietario', 'Indicadores', "Total", "Promedio","Total", "Promedio","Total", "Promedio" ))  %>%
  kable_paper(bootstrap_options = "striped", full_width = F, position='left',font_size = 12) %>% 
  column_spec(1, bold = T, border_right = T, border_left = T) %>%
  column_spec(2, bold = T, border_right = T) %>% 
  column_spec(cols, border_right = T) %>% 
  row_spec(0, bold = T, color = "white", background = "#092A30" ) %>% 
  row_spec(rows, extra_css = "border-bottom: 1px solid" ) %>% 
  add_header_above(c(" " = 2, "Industria" = 2, "Empresa" = 2, "Otras Industrias" = 2))
```

```{python, echo=FALSE, include=FALSE, message=FALSE, warning=FALSE}
# Nuevas columnas
df = ingresos_mmpp[ingresos_mmpp.Mes == mes].copy()
df['Indicadores'] = [dict_indicadores_2[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]
df['Propietario'] = [dict_propiedad[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]

# Añadir nuevas columnas para el total
new_df = pd.DataFrame(columns = df.columns)

for e in df.Empresa.unique():
    for m in df.Mes.unique():
        new_row = {
            'Indicador':'Ingreso Materia Prima Bruta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Bruta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Bruta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)
        
        new_row = {
            'Indicador':'Ingreso Materia Prima Neta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Neta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Neta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)
        
df = df.append(new_df, ignore_index=True)
df = df.groupby(['Propietario','Indicadores']).Valor.agg(['sum', np.mean], axis='columns')
df = df.round(2)
df.columns = ['Total', 'Promedio']

# Promedio ponderado unidades por kilo
df2 = ingresos_mmpp[ingresos_mmpp.Mes == mes].copy()
df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')

df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)

df3_propia = df3.loc[idx[:,:,'Materia Prima Propia'],:]
uxk_propia = (df3_propia['Ingreso Materia Prima Neta']*df3_propia['Unidades por kilo']).sum()/df3_propia['Ingreso Materia Prima Neta'].sum()


df3_terceros = df3.loc[idx[:,:,'Materia Prima Terceros'],:]
uxk_terceros = (df3_terceros['Ingreso Materia Prima Neta']*df3_terceros['Unidades por kilo']).sum()/df3_terceros['Ingreso Materia Prima Neta'].sum()


#Cambios en Unidades por Kilo y %MP Bruta

for i, j in df.index:
    df.loc[(i,'% Rechazo mmpp'), 'Total'] = (df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']-df.loc[(i,'Ingreso Materia Prima Neta'), 'Total'])*100/df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']
    if i != 'Total Materia Prima':
        df.loc[(i,'% MP Bruta Propia sobre Total MP Bruta'),'Total'] = df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']/df.loc[('Total Materia Prima','Ingreso Materia Prima Bruta'),'Total']*100
    if (i == 'Materia Prima Propia') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_propia = df3.loc[idx[:,:,'Materia Prima Propia'],:]
        uxk_propia = (df3_propia['Ingreso Materia Prima Neta']*df3_propia['Unidades por kilo']).sum()/df3_propia['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_propia    
        
    if (i == 'Materia Prima Terceros') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_terceros = df3.loc[idx[:,:,'Materia Prima Terceros'],:]
        uxk_terceros = (df3_terceros['Ingreso Materia Prima Neta']*df3_terceros['Unidades por kilo']).sum()/df3_terceros['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_terceros

df.round(2).sort_index(ascending = [True, False])

try:
  df = df.loc[[('Materia Prima Propia', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Propia', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Propia', 'Unidades por kilo'),
 ('Materia Prima Propia', '% Rechazo mmpp'),
 ('Materia Prima Propia', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Terceros', 'Unidades por kilo'),
 ('Materia Prima Terceros', '% Rechazo mmpp'),
 ('Materia Prima Terceros', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Neta'),
 ('Total Materia Prima', '% Rechazo mmpp'),
 ],:].fillna("")
except:
  df.fillna("")

df_industrias_mes = df.copy()

```

```{python, echo=FALSE, include=FALSE, message=FALSE, warning=FALSE}
# Nuevas columnas
df = ingresos_mmpp[(ingresos_mmpp.Empresa == empresa) & (ingresos_mmpp.Mes == mes)].copy()
df['Indicadores'] = [dict_indicadores_2[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]
df['Propietario'] = [dict_propiedad[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]
df.fillna(0)

# Añadir nuevas columnas para el total
new_df = pd.DataFrame(columns = df.columns)

for e in df.Empresa.unique():
    for m in df.Mes.unique():
        new_row = {
            'Indicador':'Ingreso Materia Prima Bruta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Bruta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Bruta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)
        
        new_row = {
            'Indicador':'Ingreso Materia Prima Neta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Neta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Neta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)
        
df = df.append(new_df, ignore_index=True)
df = df.groupby(['Propietario','Indicadores']).Valor.agg(['sum', np.mean], axis='columns')
df = df.round(2)
df.columns = ['Total', 'Promedio']

# Promedio ponderado unidades por kilo
df2 = ingresos_mmpp[(ingresos_mmpp.Empresa == empresa) & (ingresos_mmpp.Mes == mes)].copy()
df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')

df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)

df3_propia = df3.loc[idx[:,:,'Materia Prima Propia'],:]
uxk_propia = (df3_propia['Ingreso Materia Prima Neta']*df3_propia['Unidades por kilo']).sum()/df3_propia['Ingreso Materia Prima Neta'].sum()


df3_terceros = df3.loc[idx[:,:,'Materia Prima Terceros'],:]
uxk_terceros = (df3_terceros['Ingreso Materia Prima Neta']*df3_terceros['Unidades por kilo']).sum()/df3_terceros['Ingreso Materia Prima Neta'].sum()


#Cambios en Unidades por Kilo y %MP Bruta

for i, j in df.index:
    df.loc[(i,'% Rechazo mmpp'), 'Total'] = (df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']-df.loc[(i,'Ingreso Materia Prima Neta'), 'Total'])*100/df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']
    if i != 'Total Materia Prima':
        df.loc[(i,'% MP Bruta Propia sobre Total MP Bruta'),'Total'] = df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']/df.loc[('Total Materia Prima','Ingreso Materia Prima Bruta'),'Total']*100
    if (i == 'Materia Prima Propia') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_propia = df3.loc[idx[:,:,'Materia Prima Propia'],:]
        uxk_propia = (df3_propia['Ingreso Materia Prima Neta']*df3_propia['Unidades por kilo']).sum()/df3_propia['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_propia    
        
    if (i == 'Materia Prima Terceros') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_terceros = df3.loc[idx[:,:,'Materia Prima Terceros'],:]
        uxk_terceros = (df3_terceros['Ingreso Materia Prima Neta']*df3_terceros['Unidades por kilo']).sum()/df3_terceros['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_terceros

df.round(2).sort_index(ascending = [True, False])

try: 
    df = df.loc[[('Materia Prima Propia', 'Ingreso Materia Prima Bruta'),
     ('Materia Prima Propia', 'Ingreso Materia Prima Neta'),
     ('Materia Prima Propia', 'Unidades por kilo'),
     ('Materia Prima Propia', '% Rechazo mmpp'),
     ('Materia Prima Propia', '% MP Bruta Propia sobre Total MP Bruta'),
     ('Materia Prima Terceros', 'Ingreso Materia Prima Bruta'),
     ('Materia Prima Terceros', 'Ingreso Materia Prima Neta'),
     ('Materia Prima Terceros', 'Unidades por kilo'),
     ('Materia Prima Terceros', '% Rechazo mmpp'),
     ('Materia Prima Terceros', '% MP Bruta Propia sobre Total MP Bruta'),
     ('Total Materia Prima', 'Ingreso Materia Prima Bruta'),
     ('Total Materia Prima', 'Ingreso Materia Prima Neta'),
     ('Total Materia Prima', '% Rechazo mmpp'),
     ],:].fillna("")
except:
    print('')
finally: 
    df = df.round(2).sort_index(ascending = [True, False])
    
df_empresa_mes = df.copy()
```

```{python, echo=FALSE, include=FALSE, message=FALSE, warning=FALSE}

# Nuevas columnas
df = ingresos_mmpp[(ingresos_mmpp.Empresa != empresa) & (ingresos_mmpp.Mes == mes)].copy()
df['Indicadores'] = [dict_indicadores_2[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]
df['Propietario'] = [dict_propiedad[df.Indicador.iloc[i]] for i in range(len(df.Indicador))]

# Añadir nuevas columnas para el total
new_df = pd.DataFrame(columns = df.columns)

for e in df.Empresa.unique():
    for m in df.Mes.unique():
        new_row = {
            'Indicador':'Ingreso Materia Prima Bruta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Bruta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Bruta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)
        
        new_row = {
            'Indicador':'Ingreso Materia Prima Neta', 
            'Valor': df[(df.Empresa == e) & (df.Mes == m) & (df.Tipo == 'MP Neta')].Valor.sum(),
            'Unidad de medida':'Ton', 
            'Definición':'', 
            'Mes':m, 
            'Año':2021,
            'Empresa':e,
            'Tipo':'MP Bruta', 
            'Propiedad':'', 
            'Indicadores':'Ingreso Materia Prima Neta', 
            'Propietario':'Total Materia Prima'
        }
        new_df = new_df.append(new_row, ignore_index = True)
        
df = df.append(new_df, ignore_index=True)
df = df.groupby(['Propietario','Indicadores']).Valor.agg(['sum', np.mean], axis='columns')
df = df.round(2)
df.columns = ['Total', 'Promedio']

# Promedio ponderado unidades por kilo
df2 = ingresos_mmpp[(ingresos_mmpp.Empresa != empresa) & (ingresos_mmpp.Mes == mes)].copy()
df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')

df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)

df3_propia = df3.loc[idx[:,:,'Materia Prima Propia'],:]
uxk_propia = (df3_propia['Ingreso Materia Prima Neta']*df3_propia['Unidades por kilo']).sum()/df3_propia['Ingreso Materia Prima Neta'].sum()


df3_terceros = df3.loc[idx[:,:,'Materia Prima Terceros'],:]
uxk_terceros = (df3_terceros['Ingreso Materia Prima Neta']*df3_terceros['Unidades por kilo']).sum()/df3_terceros['Ingreso Materia Prima Neta'].sum()


#Cambios en Unidades por Kilo y %MP Bruta

for i, j in df.index:
    df.loc[(i,'% Rechazo mmpp'), 'Total'] = (df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']-df.loc[(i,'Ingreso Materia Prima Neta'), 'Total'])*100/df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']
    if i != 'Total Materia Prima':
        df.loc[(i,'% MP Bruta Propia sobre Total MP Bruta'),'Total'] = df.loc[(i,'Ingreso Materia Prima Bruta'), 'Total']/df.loc[('Total Materia Prima','Ingreso Materia Prima Bruta'),'Total']*100
    if (i == 'Materia Prima Propia') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_propia = df3.loc[idx[:,:,'Materia Prima Propia'],:]
        uxk_propia = (df3_propia['Ingreso Materia Prima Neta']*df3_propia['Unidades por kilo']).sum()/df3_propia['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_propia    
        
    if (i == 'Materia Prima Terceros') & (j=='Unidades por kilo'):
        # Promedio ponderado unidades por kilo
        df2 = ingresos_mmpp.copy()
        df2['Indicadores'] = [dict_indicadores_2[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        df2['Propietario'] = [dict_propiedad[df2.Indicador.iloc[i]] for i in range(len(df2.Indicador))]
        filtro = (df2.Indicadores == 'Ingreso Materia Prima Neta') | (df2.Indicadores=='Unidades por kilo')
        df3 = df2[filtro].groupby(['Empresa','Mes','Propietario','Indicadores']).Valor.sum().unstack(level=-1).fillna(0)
        df3_terceros = df3.loc[idx[:,:,'Materia Prima Terceros'],:]
        uxk_terceros = (df3_terceros['Ingreso Materia Prima Neta']*df3_terceros['Unidades por kilo']).sum()/df3_terceros['Ingreso Materia Prima Neta'].sum()
        df.loc[(i,j),'Total'] = uxk_terceros

df.round(2).sort_index(ascending = [True, False])

try:
  df = df.loc[[('Materia Prima Propia', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Propia', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Propia', 'Unidades por kilo'),
 ('Materia Prima Propia', '% Rechazo mmpp'),
 ('Materia Prima Propia', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Terceros', 'Unidades por kilo'),
 ('Materia Prima Terceros', '% Rechazo mmpp'),
 ('Materia Prima Terceros', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Neta'),
 ('Total Materia Prima', '% Rechazo mmpp'),
 ],:].fillna("")
except:
  df.fillna("")

df_otras_mes = df.copy()
```

```{python, echo=FALSE, include=FALSE, message=FALSE, warning=FALSE}
df_all_mes = df_industrias_mes.merge(df_empresa_mes, how='outer', on=['Propietario','Indicadores'])
df_all_mes = df_all_mes.merge(df_otras_mes, how='outer',on=['Propietario','Indicadores'])
df_all_mes.sort_index(ascending = [True, False])

try:
  df_all_mes = df_all_mes.loc[[('Materia Prima Propia', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Propia', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Propia', 'Unidades por kilo'),
 ('Materia Prima Propia', '% Rechazo mmpp'),
 ('Materia Prima Propia', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Bruta'),
 ('Materia Prima Terceros', 'Ingreso Materia Prima Neta'),
 ('Materia Prima Terceros', 'Unidades por kilo'),
 ('Materia Prima Terceros', '% Rechazo mmpp'),
 ('Materia Prima Terceros', '% MP Bruta Propia sobre Total MP Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Bruta'),
 ('Total Materia Prima', 'Ingreso Materia Prima Neta'),
 ('Total Materia Prima', '% Rechazo mmpp'),
 ],:].fillna("")
except:
  df_all_mes.fillna(0)
  
  
df_all_mes = df_all_mes.reset_index(level=None, drop=False).fillna(0)
df_all_mes.Propietario = ["" if df_all_mes.Propietario.iloc[i] == df_all_mes.Propietario.iloc[i-1] else df_all_mes.Propietario.iloc[i] for i in range(len(df_all_mes.Propietario))]

```

```{r, echo=FALSE, message=FALSE, warning=FALSE}
tabla_all_mes <- py$df_all_mes

rows <- nrow(tabla_all_mes)
cols <- ncol(tabla_all_mes)
tabla_all_mes %>% 
  kbl(caption= "Detalle materia primas - Mes actual",digits=1, format.args=list(big.mark = ','),col.names = c('Propietario', 'Indicadores', "Total", "Promedio","Total", "Promedio","Total", "Promedio" ))  %>%
  kable_paper(bootstrap_options = "striped", full_width = F, position='left',font_size = 12) %>% 
  column_spec(1, bold = T, border_right = T, border_left = T) %>%
  column_spec(2, bold = T, border_right = T) %>% 
  column_spec(cols, border_right = T) %>% 
  row_spec(0, bold = T, color = "white", background = "#092A30" ) %>% 
  row_spec(rows, extra_css = "border-bottom: 1px solid" ) %>% 
  add_header_above(c(" " = 2, "Industria" = 2, "Empresa" = 2, "Otras Industrias" = 2))
```

### Materia prima por origen 

```{python, echo=FALSE, message=FALSE, warning=FALSE}
datos = ingresos_mmpp[(ingresos_mmpp.Tipo== 'MP Bruta')].copy()[['Empresa','Propiedad','Mes','Valor']]

import plotly.express as px
from plotly.subplots import make_subplots
import plotly.graph_objects as go

datos_w=pd.pivot_table(datos, index='Mes', columns='Propiedad', values='Valor', aggfunc=np.sum)

fig_industria = px.bar(datos_w, x=datos_w.index,
            y=['MPB Propia','MPB Terceros'], title="Indicador Materia Prima Bruta por origen",
            labels={'Mes':'Mes','value':'Ton','variable':'Origen'},
            color_discrete_map={"MPB Propia": "#00609C", "MPB Terceros": "#F4D19F"},
            template="simple_white",
            width=700, 
            height=500,
            )

fig_industria.show()

```

```{python, echo=FALSE, message=FALSE, warning=FALSE, fig.width=5, fig.height=5}
import plotly.express as px
from plotly.subplots import make_subplots
import plotly.graph_objects as go

datos_w=pd.pivot_table(datos[datos.Empresa == empresa], index='Mes', columns='Propiedad', values='Valor', aggfunc=np.sum)

fig_industria2 = px.bar(datos_w, x=datos_w.index,
            y=['MPB Propia','MPB Terceros'], title="Indicador Materia Prima Bruta por origen "+empresa,
            labels={'Mes':'Mes','value':'Ton','variable':'Origen'},
            color_discrete_map={"MPB Propia": "#C45130", "MPB Terceros": "#FFAA61"},
            template="simple_white",
            width=700, 
            height=500)

fig_industria2.show()
```

### Materia prima bruta por origen 

```{python, echo=FALSE, message=FALSE, warning=FALSE, fig.width=5, fig.height=5}
datos = ingresos_mmpp.copy()
datos['Indicadores'] = [dict_indicadores_2[datos.Indicador.iloc[i]] for i in range(len(datos.Indicador))]
datos['Propietario'] = [dict_propiedad[datos.Indicador.iloc[i]] for i in range(len(datos.Indicador))]

datos = datos.drop_duplicates(subset=['Indicador','Valor','Mes','Año','Empresa'])


import plotly.express as px
from plotly.subplots import make_subplots
import plotly.graph_objects as go

datos_w = datos[(datos.Empresa == empresa) & (datos.Indicadores == 'Unidades por kilo')].groupby(['Mes','Propietario']).Valor.sum().unstack()
datos_w = datos_w.drop_duplicates()

fig_industria = px.bar(datos_w, x=datos_w.index,
            y=['Materia Prima Propia','Materia Prima Terceros'], title="Indicador Materia Prima Bruta por origen "+empresa,
            labels={'Mes':'Mes','value':'Unidades por kilo','variable':'Origen'},
            color_discrete_map={"Materia Prima Propia": "#C45130", "Materia Prima Terceros": "#FFAA61"},
            template="simple_white",
            width=700, 
            height=500)

fig_industria.show()
```

```{python, echo=FALSE, message=FALSE, warning=FALSE}
#Filtrar data
datos2 = datos[datos.Indicadores != 'Ingreso Materia Prima Bruta']
datos2 = pd.pivot_table(datos2, index=['Mes','Empresa'], columns=['Propietario','Indicadores'], values='Valor').fillna(0)

df_unidades = pd.DataFrame(columns = ['Mes','Unidades por kilo Propia', 'Unidades por kilo Terceros'])

for i,j in datos2.index:
    df_aux = datos2.loc[idx[i,:],:]['Materia Prima Propia']
    df_auxa = datos2.loc[idx[i,:],:]['Materia Prima Terceros']
    new_row = {
        'Mes':i,
        'Unidades por kilo Propia': (df_aux['Ingreso Materia Prima Neta']*df_aux['Unidades por kilo']).sum()/df_aux['Ingreso Materia Prima Neta'].sum(),
        'Unidades por kilo Terceros': (df_auxa['Ingreso Materia Prima Neta']*df_auxa['Unidades por kilo']).sum()/df_auxa['Ingreso Materia Prima Neta'].sum()
    }
    df_unidades = df_unidades.append(new_row, ignore_index = True)
    
df_unidades = df_unidades.drop_duplicates()
fig_industria = px.bar(df_unidades, x='Mes',
            y=['Unidades por kilo Propia','Unidades por kilo Terceros'], title="Unidades por kilo ",
            labels={'Mes':'Mes','value':'Unidades por kilo','variable':'Origen'},
            color_discrete_map={"Unidades por kilo Propia": "#00609C", "Unidades por kilo Terceros": "#F4D19F"},
            template="simple_white",
            width=700, 
            height=500)
fig_industria.show()

```

### Rechazo

```{python, echo=FALSE, message=FALSE, warning=FALSE, fig.width=5, fig.height=5}
#Rechazo por origen
datos = ingresos_mmpp.copy()
datos['Indicadores'] = [dict_indicadores_2[datos.Indicador.iloc[i]] for i in range(len(datos.Indicador))]
datos['Propietario'] = [dict_propiedad[datos.Indicador.iloc[i]] for i in range(len(datos.Indicador))]
datos = datos.drop_duplicates(subset=['Indicador','Valor','Mes','Año','Empresa'])

datos = pd.pivot_table(datos[datos.Indicadores != 'Unidades por kilo'], index=['Mes'], columns=['Propietario','Indicadores'], values='Valor')
for i in datos.index:
    datos.loc[i,('Materia Prima Propia','% Rechazo mmpp')] = (datos.loc[i,('Materia Prima Propia','Ingreso Materia Prima Bruta')] - datos.loc[i,('Materia Prima Propia','Ingreso Materia Prima Neta')]) /datos.loc[i,('Materia Prima Propia','Ingreso Materia Prima Bruta')]*100
    datos.loc[i,('Materia Prima Terceros','% Rechazo mmpp')] = (datos.loc[i,('Materia Prima Terceros','Ingreso Materia Prima Bruta')] - datos.loc[i,('Materia Prima Terceros','Ingreso Materia Prima Neta')]) /datos.loc[i,('Materia Prima Propia','Ingreso Materia Prima Bruta')]*100

datos = datos.loc[idx[:],idx[:,'% Rechazo mmpp']]
datos.columns = ['% Rechazo mmpp Propia','% Rechazo mmpp Terceros']

import plotly.express as px
fig = px.line(datos, x=datos.index, y=['% Rechazo mmpp Propia','% Rechazo mmpp Terceros'], markers=True,
                title="Porcentaje de rechazo por origen",
                labels={'Mes':'Mes','value':'% Rechazo MMPP','variable':'Origen'},
                color_discrete_map={'% Rechazo mmpp Propia': "#00609C", '% Rechazo mmpp Terceros': "#F4D19F"},
                template="simple_white",
                width=1000, 
                height=500,)
fig.show()

```

```{python, echo=FALSE, message=FALSE, warning=FALSE, fig.width=5, fig.height=5}
# rechazo por origen empresa 

datos = ingresos_mmpp[ingresos_mmpp.Empresa == empresa].copy()
datos['Indicadores'] = [dict_indicadores_2[datos.Indicador.iloc[i]] for i in range(len(datos.Indicador))]
datos['Propietario'] = [dict_propiedad[datos.Indicador.iloc[i]] for i in range(len(datos.Indicador))]
datos = datos.drop_duplicates(subset=['Indicador','Valor','Mes','Año','Empresa'])

datos = pd.pivot_table(datos[datos.Indicadores != 'Unidades por kilo'], index=['Mes'], columns=['Propietario','Indicadores'], values='Valor')
for i in datos.index:
    datos.loc[i,('Materia Prima Propia','% Rechazo mmpp')] = (datos.loc[i,('Materia Prima Propia','Ingreso Materia Prima Bruta')] - datos.loc[i,('Materia Prima Propia','Ingreso Materia Prima Neta')]) /datos.loc[i,('Materia Prima Propia','Ingreso Materia Prima Bruta')]*100
    datos.loc[i,('Materia Prima Terceros','% Rechazo mmpp')] = (datos.loc[i,('Materia Prima Terceros','Ingreso Materia Prima Bruta')] - datos.loc[i,('Materia Prima Terceros','Ingreso Materia Prima Neta')]) /datos.loc[i,('Materia Prima Propia','Ingreso Materia Prima Bruta')]*100

datos = datos.loc[idx[:],idx[:,'% Rechazo mmpp']]
datos.columns = ['% Rechazo mmpp Propia','% Rechazo mmpp Terceros']

import plotly.express as px
fig = px.line(datos, x=datos.index, y=['% Rechazo mmpp Propia','% Rechazo mmpp Terceros'], markers=True,
                title="Porcentaje de rechazo por origen "+empresa,
                labels={'Mes':'Mes','value':'% Rechazo MMPP','variable':'Origen'},
                color_discrete_map={'% Rechazo mmpp Propia': "#00609C", '% Rechazo mmpp Terceros': "#F4D19F"},
                template="simple_white",
                width=1000, 
                height=500,)
fig.show()

```

Dotación {.tabset}
=======================================================================


Productos {.tabset}
=======================================================================